Contrôle stochastique d allocation de ressources dans le «cloud computing»

Dimension: px
Commencer à balayer dès la page:

Download "Contrôle stochastique d allocation de ressources dans le «cloud computing»"

Transcription

1 Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement financés par Orange Labs et par le projet ANR SALTY (ANR-09-SEGI-012) 1 Université Pierre et Marie Curie-Paris 6, CNRS, UMR 7606 LIP6 contact : 2 Université Paris 8, LIASD, EA 4383, Saint-Denis 3 Orange Labs, Issy-les-Moulineaux Atelier «Automatique pour l informatique autonomique 2011» Conférence MSR 2011, 15 novembre / 33

2 Introduction L informatique autonomique est (souvent) un problème d automatique. Beaucoup des problèmes de contrôle soulevés sont de nature markovienne. Dans plusieurs cas, le modèle stochastique sous-jacent ne peut être caractérisé par avance. Les paramètres du contrôle (temps minimal entre les actions, etc.) peuvent dépendre du modèle du système contrôlé. 2 / 33

3 Introduction L informatique autonomique est (souvent) un problème d automatique. Beaucoup des problèmes de contrôle soulevés sont de nature markovienne. Dans plusieurs cas, le modèle stochastique sous-jacent ne peut être caractérisé par avance. Les paramètres du contrôle (temps minimal entre les actions, etc.) peuvent dépendre du modèle du système contrôlé. Besoin d une approche de contrôle stochastique, en apprentissage, sous un «workflow» automatisé! 3 / 33

4 Introduction L informatique autonomique est (souvent) un problème d automatique. Beaucoup des problèmes de contrôle soulevés sont de nature markovienne. Dans plusieurs cas, le modèle stochastique sous-jacent ne peut être caractérisé par avance. Les paramètres du contrôle (temps minimal entre les actions, etc.) peuvent dépendre du modèle du système contrôlé. Besoin d une approche de contrôle stochastique, en apprentissage, sous un «workflow» automatisé! Premières expérimentations dans le «cloud computing». 4 / 33

5 Plan de la présentation 1 Introduction 2 Le problème et sa modélisation 3 Résolution 4 Automatisation 5 Conclusions 5 / 33

6 Plan 1 Introduction 2 Le problème et sa modélisation 3 Résolution 4 Automatisation 5 Conclusions 6 / 33

7 L architecture VirtRL Application Scaling Point 1 Scaling Point N Application 1 SLA 1 SLA N Application N VM VM VM VM Application Controller 1 Application Controller N Requests, releases or resizes Provides or preempts Cloud Controller Interface Provides or preempts Monitor Decision Scaler Monitor Decision Scaler Cloud Platform Application Controller 7 / 33

8 Applications «web» et «cloud computing» Scaling Point JBoss Application Server Client Apache Load Balancer MySQL Database Server JBoss Application Server 8 / 33

9 Première formulation du problème Charge W (#requêtes par seconde). Ressources allouées U (#machines virtuelles). Équilibreur de charge équirépartition des requêtes. Contrôleur activé à chaque t, observe la performance P (temps de réponse moyen durant le dernier t). et en fonction de P SLA, il décide d ajouter, de maintenir ou de retrancher des machines virtuelles. 9 / 33

10 Première formulation du problème Charge W (#requêtes par seconde). Ressources allouées U (#machines virtuelles). Équilibreur de charge équirépartition des requêtes. Contrôleur activé à chaque t, observe la performance P (temps de réponse moyen durant le dernier t). et en fonction de P SLA, il décide d ajouter, de maintenir ou de retrancher des machines virtuelles. Nota : La charge évolue de manière aléatoire, bien que selon des patrons généraux qui reviennent régulièrement. La performance du système dépend de l implantation de l application et d autres facteurs complexes. 10 / 33

11 Contrôle stochastique Définition Branche de la théorie du contrôle s intéressant à des problèmes où les données comportent de l incertitude qui peut être modélisée par des processus stochastiques. Remonte entre autres aux travaux de Bellman autour de la programmation dynamique, qui ont largement fait école depuis. Le problème de contrôle est vu comme un problème de sélection des actions de manière à optimiser l espèrance mathématique d un certain critère sur une séquence de décisions à prendre. 11 / 33

12 Vision basique Approche fondée sur une évaluation numérique de l intérêt pour l agent de se trouver dans un état s et de prendre une action a. Agent : décide Élément : système contrôlé À chaque étape : 1 observe s t, r t s t s t+1 r t r t+1 Agent Element a t 2 décide a t et ça recommence avec s t+1, r t+1 À partir des r t, on peut juger de la valeur des décisions a t 1 prises dans les états s t / 33

13 Processus de décision markovien commandé M = S, A, T, R, β : Espace d états S Espace d actions A Fonction de transition T : S A Π(S) donnant la distribution de probabilité Π(S) = P(s s, a) Fonction de revenu R : S A R Facteur d actualisation 0 < β < 1 13 / 33

14 Processus de décision markovien commandé M = S, A, T, R, β : Espace d états S Espace d actions A Fonction de transition T : S A Π(S) donnant la distribution de probabilité Π(S) = P(s s, a) Fonction de revenu R : S A R Facteur d actualisation 0 < β < 1 Nota : la fonction de revenu peut également être probabiliste. Fonction de revenu R : S A Π(R) donnant la distribution de probabilité Π(R) = P(x R s, a) 14 / 33

15 Illustration PDM P(s a1,1 s,a 1 ) s a1,1 (s, a 1 )... a 1 P(s a1,m 1 s,a 1 ) s a1,m 1 s a n (s, a n ) P(s an,1 s,a n) s an,1... P(s an,mn s,a n) s an,m n 15 / 33

16 Modélisation du problème d allocation comme un PDM M alloc = S, A, T, R, β où : S = {(w, u, p) w W max u U max p P max }, où : w N : charge en # requête par seconde ; u N : ressources allouées en # machines virtuelles homogènes ; p R + : performance en secondes (temps de réponse moyen). A = {a Z A min a A max } : ajouter, maintenir ou retirer des machines virtuelles. T? R? β? choisi en fonction des expérimentations. 16 / 33

17 Fonction de coût Pour un état s = (w, u, p) et une décision a, et une transition vers s = (w, u, p ), (avec u = u + a), alors : [ (a > 0? ci a : 0) + c f u ] [ ( + (p > P SLA? 1 + p P ) ] SLA pc t : 0) P SLA 3600 Selon données utilisées en pratique : c f = 0, 095$US/heure ramené sur t ; c i égal à c f 60 ou c f 6 ; p c égal à 10,0$US/heure ou 100,0$US/heure aussi ramené sur t. 17 / 33

18 Fonction de coût Pour un état s = (w, u, p) et une décision a, et une transition vers s = (w, u, p ), (avec u = u + a), alors : [ (a > 0? ci a : 0) + c f u ] [ ( + (p > P SLA? 1 + p P ) ] SLA pc t : 0) P SLA 3600 Selon données utilisées en pratique : c f = 0, 095$US/heure ramené sur t ; c i égal à c f 60 ou c f 6 ; p c égal à 10,0$US/heure ou 100,0$US/heure aussi ramené sur t. Nota : aléatoire car dépend de la performance incertaine p observée pendant le nouvel intervalle t! 18 / 33

19 Plan 1 Introduction 2 Le problème et sa modélisation 3 Résolution 4 Automatisation 5 Conclusions 19 / 33

20 Résolution d un PDM Si tout est connu, équation de Bellman : V (s) = max a [ R(s, a) + β T (s, a, s )V (s ) s S ] où la politique optimale π est donnée par : π (s) = argmax a [ R(s, a) + β T (s, a, s )V (s ) s S ] 20 / 33

21 Algorithme d itération sur les valeurs s S, V 0 (s) := 0 t := 0 loop t := t + 1 foreach s S foreach a A Q t (s, a) := R(s, a) + β s S T (s, a, s )V t 1 (s) π t (s) := argmax a Q t (s, a) V t (s) := Q t (s, π t (s)) until sup s V t (s) V t 1 (s) < ɛ return π t 21 / 33

22 Apprentissage par renforcement et Q-learning Q t (s, a) := R(s, a) + β T (s, a, s )V t 1 (s) s S Que faire si le modèle n est pas connu? 1 Remplacer R(s, a) par les r observés. 2 Remplacer la somme pondérée par la probabilité par une moyenne sur un échantillonnage s des valeurs de V t 1. 3 Approximer la valeur de V t 1 (s ) par Q t 1 (s, a ), a étant la décision suivante dans le processus. 4 «Fondre» le nouvel échantillon avec les précédents pour améliorer l échantillonnage pour le couple (s, a). 22 / 33

23 Apprentissage par renforcement et Q-learning Q t (s, a) := R(s, a) + β T (s, a, s )V t 1 (s) s S Que faire si le modèle n est pas connu? 1 Remplacer R(s, a) par les r observés. 2 Remplacer la somme pondérée par la probabilité par une moyenne sur un échantillonnage s des valeurs de V t 1. 3 Approximer la valeur de V t 1 (s ) par Q t 1 (s, a ), a étant la décision suivante dans le processus. 4 «Fondre» le nouvel échantillon avec les précédents pour améliorer l échantillonnage pour le couple (s, a). D où l équation d apprentissage : Q(s, a) := (1 α)q(s, a) + α ( r + βq(s, a ) ) 23 / 33

24 Algorithme Q-learning, méthode SARSA Initialize Q(s, a) arbitrarily repeat (for each episode) Initialize s Choose a from s using policy derived from Q (e.g., ɛ-greedy) repeat (for each step in episode) Take action a, observe r and s Choose a from s using policy derived from Q (e.g., ɛ-greedy) Q(s, a) (1 α)q(s, a) + α[r + βq(s, a )] s s ; a a until s is terminal 24 / 33

25 Résultats obtenus I : c i faible, p c faible Patron de charge à courte fréquence. > échantillons c i = c f /60 p c = 10.0 P SLA = / 33

26 Résultats obtenus II : c i élevé, p c faible c i = c f /6 26 / 33

27 Plan 1 Introduction 2 Le problème et sa modélisation 3 Résolution 4 Automatisation 5 Conclusions 27 / 33

28 Mise en oeuvre de l apprentissage Grandes opérations : Initialisation Apprentissage Exploitation Évolution 28 / 33

29 Cycle de vie de l apprentissage par renforcement Learning Initialize Explore No Speed Up Yes Apply No Detect Has the model changed? Is the model stable? Yes but only smooth changes occured Yes but drastic changes occured 29 / 33

30 Conclusions Application du contrôle stochastique à l allocation de ressources dans le «cloud computing» Utilisation d une approche d apprentissage pour s attaquer à la méconnaissance du contrôlé. Des résultats encourageants. 30 / 33

31 Conclusions Application du contrôle stochastique à l allocation de ressources dans le «cloud computing» Utilisation d une approche d apprentissage pour s attaquer à la méconnaissance du contrôlé. Des résultats encourageants. Perspectives : Modèle plus réaliste (délai de livraison des MV). Intégration dans un outil gérant automatiquement l ensemble du cycle de vie de l apprentissage. Accélération de la convergence et meilleures politiques initiales. SALTY : coordination locale et globale à large échelle. 31 / 33

32 Xavier Dutreilh, Nicolas Rivierre, Aurélien Moreau, Jacques Malenfant, and Isis Truck. From Data Center Resource Allocation to Control Theory and Back. In Proceedings of the 3rd IEEE International Conference on Cloud Computing, CLOUD 2010, application and industry track, pages IEEE, Olga Melekhova, Mohammed-Amine Abchir, Pierre Châtel, Jacques Malenfant, Isis Truck, and Anna Pappa. Self-Adaptation in Geotracking Applications : Challenges, Opportunities and Models. In 2nd International Conference on Adaptive and Self-adaptive Systems and Applications, ADAPTIVE 2010, pages IEEE, Xavier Dutreilh, Sergey Kirgizov, Olga Melekhova, Jacques Malenfant, Nicolas Rivierre, and Isis Truck. Using Reinforcement Learning for Autonomic Resource Allocation in Clouds : towards a fully automated workflow. In Seventh International Conference on Autonomic and Autonomous Systems, ICAS 2011, pages IEEE, Bao Le Duc, Philippe Collet, Jacques Malenfant, and Nicolas Rivierre. A QoI-aware Framework for Adaptive Monitoring. In 2nd International Conference on Adaptive and Self-adaptive Systems and Applications, ADAPTIVE 2010, pages IEEE, / 33

33 Jing Xu, Ming Zhao, Jose Fortes, Robert Carpenter, and Mazin Yousif. On the use of fuzzy modeling in virtualized data center management. In ICAC 07 : Proceedings of the Fourth International Conference on Autonomic Computing, page 25. IEEE Computer Society, G. Tesauro, N. K. Jong, R. Das, and M. N. Bennani. A hybrid reinforcement learning approach to autonomic resource allocation. In ICAC 06 : Proceedings of the 2006 IEEE International Conference on Autonomic Computing, pages IEEE Computer Society, / 33

Élasticité des applications à base de services Samir Tata, Télécom SudParis UMR Samovar Équipe ACMES

Élasticité des applications à base de services Samir Tata, Télécom SudParis UMR Samovar Équipe ACMES Élasticité des applications à base de services Samir Tata, Télécom SudParis UMR Samovar Équipe ACMES Élasticité : Définitions et Concepts Samir Tata, Télécom SudParis Élasticité Définitions Élasticité

Plus en détail

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

Plus en détail

Une Approche basée sur la Simulation pour l Optimisation des Processus Décisionnels Semi-Markoviens Généralisés

Une Approche basée sur la Simulation pour l Optimisation des Processus Décisionnels Semi-Markoviens Généralisés Une Approche basée sur la Simulation pour l Optimisation des Processus Décisionnels Semi-Markoviens Généralisés Emmanuel Rachelson 1 Patrick Fabiani 1 Frédérick Garcia 2 Gauthier Quesnel 2 1 ONERA-DCSD

Plus en détail

Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Ordonnancement sous contraintes de Qualité de Service dans les Clouds Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud

Plus en détail

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services 69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard

Plus en détail

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

FOURNIR UN SERVICE DE BASE DE DONNÉES FLEXIBLE. Database as a Service (DBaaS)

FOURNIR UN SERVICE DE BASE DE DONNÉES FLEXIBLE. Database as a Service (DBaaS) FOURNIR UN SERVICE DE BASE DE DONNÉES FLEXIBLE Database as a Service (DBaaS) 1 The following is intended to outline our general product direction. It is intended for information purposes only, and may

Plus en détail

Apprentissage par renforcement (3)

Apprentissage par renforcement (3) Apprentissage par renforcement (3) Bruno Bouzy 12 octobre 2010 Ce document est la troisième partie du cours «apprentissage par renforcement». La seconde partie portait sur la programmation dynamique, méthode

Plus en détail

Analyse de performance, monitoring

Analyse de performance, monitoring Analyse de performance, monitoring Plan Principes de profilage Projet TPTP dans Eclipse Utilisation des profiling tools de TPTP Philippe Collet Master 1 Informatique 2009-2010 http://deptinfo.unice.fr/twiki/bin/view/minfo/gl

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Elasticité logicielle pour optimiser l empreinte énergétique

Elasticité logicielle pour optimiser l empreinte énergétique Ecole des Mines de Nantes Elasticité logicielle pour optimiser l empreinte énergétique Thomas Ledoux (équipe Ascola, INRIA-EMN, LINA) direction des études décembre 2010 page 1 Relation logiciel empreinte

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Test de performance en intégration continue dans un cloud de type PaaS

Test de performance en intégration continue dans un cloud de type PaaS Test de performance en intégration continue dans un cloud de type PaaS Bruno Dillenseger Orange Labs Grenoble ComPAS, Conférence d informatique en Parallélisme, Architecture et Système, Atelier SLA pour

Plus en détail

4.2 Unités d enseignement du M1

4.2 Unités d enseignement du M1 88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter

Plus en détail

Christophe Dubos Architecte Infrastructure et Datacenter Microsoft France chrisdu@microsoft.com

Christophe Dubos Architecte Infrastructure et Datacenter Microsoft France chrisdu@microsoft.com Christophe Dubos Architecte Infrastructure et Datacenter Microsoft France chrisdu@microsoft.com Microsoft et le Cloud Computing Quelle approche? Voyage au Cœur du Cloud Microsoft Self Service Client Délégation

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Cas d étude appliqué à l ingénierie logicielle

Cas d étude appliqué à l ingénierie logicielle ypbl : une méthodologie pédagogique pour la professionnalisation d une formation Cas d étude appliqué à l ingénierie logicielle Ernesto Exposito 1,2, Anne Hernandez 2 1 CNRS ; LAAS ; 7 av. du Colonel Roche,

Plus en détail

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

Introduction. Gestion de la consommation énergétique. Contexte du cloud computing Instrumentation et contrôle

Introduction. Gestion de la consommation énergétique. Contexte du cloud computing Instrumentation et contrôle Ctrl-Green Projet ANR INFRA (2012-2015) Coordinateur Noel De Palma (UJF/LIG) Partenaires UJF/LIG, ENSEEIHT/IRIT, INRIA, Eolas Business&Decision, Scalagent Introduction Gestion de la consommation énergétique

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1 Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe

Plus en détail

Élasticité des applications à base de services dans le Cloud

Élasticité des applications à base de services dans le Cloud 1/40 Élasticité des applications à base de services dans le Cloud Mourad Amziani 12 Tarek Melliti 1 Samir Tata 2 1 IBISC, EA4526, Université d'évry Val-d'Essonne, Évry, France 2 UMR CNRS Samovar, Institut

Plus en détail

Baccalauréat ES Polynésie 7 juin 2013

Baccalauréat ES Polynésie 7 juin 2013 Baccalauréat ES Polnésie 7 juin 2013 EXERCICE 1 Cet exercice est un questionnaire à choix multiples. Pour chaque question, une seule des quatre réponses proposées est correcte. Une réponse juste rapporte

Plus en détail

Algorithmique et systèmes répartis

Algorithmique et systèmes répartis Algorithmique et systèmes répartis Tendances et avenir Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT 30 novembre 2012 Gérard Padiou Algorithmique et systèmes répartis 1 /

Plus en détail

Acquisition de données avec une carte multi-fonctions sous LabVIEW. Cours LabVIEW ENSPS J2 Serio@unistra.fr V1.04-2011

Acquisition de données avec une carte multi-fonctions sous LabVIEW. Cours LabVIEW ENSPS J2 Serio@unistra.fr V1.04-2011 Acquisition de données avec une carte multi-fonctions sous LabVIEW 1 1 Objectifs de la séance Acquisition de données avec un module d acquisition de données multifonctions (USB 6009) et traitement sous

Plus en détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours ENSIIE - Intelligence Artificielle (RIIA) - 1er cours Benjamin PIWOWARSKI 28 septembre 2015 Benjamin PIWOWARSKI IA - 1er cours 28 septembre 2015 1 / 53 Introduction Plan 1 Introduction 2 Définitions 3

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

Plus en détail

Introduction à l analyse numérique : exemple du cloud computing

Introduction à l analyse numérique : exemple du cloud computing Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation

Plus en détail

état et perspectives

état et perspectives La Normalisation de l informatique en Nuage «Cloud Computing» état et perspectives Séminaire Aristote: L'interopérabilit rabilité dans le Cloud Ecole Polytechnique 23/03/2011 Jamil CHAWKI Orange Labs Networks

Plus en détail

Application du Reinforcement Learning à un jeu de Markov de type évasion-poursuite

Application du Reinforcement Learning à un jeu de Markov de type évasion-poursuite Université catholique de Louvain Faculté des Sciences Appliquées Département d Ingénierie Informatique Application du Reinforcement Learning à un jeu de Markov de type évasion-poursuite Promoteur : Professeur

Plus en détail

Agrégation des portefeuilles de contrats d assurance vie

Agrégation des portefeuilles de contrats d assurance vie Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l

Plus en détail

Comment rendre un site d e-commerce intelligent

Comment rendre un site d e-commerce intelligent Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Serveur d'application à la juste taille

Serveur d'application à la juste taille Serveur d'application à la juste taille 18 Mars 2010 Benoit.Pelletier@bull.net Plan Contexte JOnAS 5, plate-forme de convergence JavaEE/OSGi Caractéristiques essentielles pour le Cloud Computing & l'autonomic

Plus en détail

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL Introduction Ces quelques pages ont pour objectif de vous initier aux notions de théorie des graphes enseignées en Terminale ES. Le programme de Terminale (voir ci-après) est construit sur la résolution

Plus en détail

accompagner votre transformation IT vers le Cloud de confiance

accompagner votre transformation IT vers le Cloud de confiance accompagner votre transformation IT vers le Cloud de confiance Philippe LAPLANE Directeur du développement de la stratégie des produits cloud des tendances fortes structurent le marché croissance de la

Plus en détail

APX et VCE, Modèle d industrialisation de l intégration et du déploiement. Olivier BERNARD, VCE

APX et VCE, Modèle d industrialisation de l intégration et du déploiement. Olivier BERNARD, VCE APX et VCE, Modèle d industrialisation de l intégration et du déploiement Olivier BERNARD, VCE Généralisation des réseaux, suprématie d IP Consumérisation des terminaux informatiques Evolution vers une

Plus en détail

Organiser vos données - Big Data. Patrick Millart Senior Sales Consultant

Organiser vos données - Big Data. Patrick Millart Senior Sales Consultant Organiser vos données - Big Data Patrick Millart Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be

Plus en détail

e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France

e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France e need L un des premiers intégrateurs opérateurs Cloud Computing indépendants en France Sommaire Cloud Computing Retours sur quelques notions Quelques chiffres Offre e need e need Services e need Store

Plus en détail

Du Datacenter au Cloud Quels challenges? Quelles solutions? Christophe Dubos Architecte Microsoft

Du Datacenter au Cloud Quels challenges? Quelles solutions? Christophe Dubos Architecte Microsoft Du Datacenter au Cloud Quels challenges? Quelles solutions? Christophe Dubos Architecte Microsoft Microsoft et le Cloud Computing Quelle approche? Le Cloud, un accélérateur de la transformation Un modèle

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Architectures informatiques dans les nuages

Architectures informatiques dans les nuages Architectures informatiques dans les nuages Cloud Computing : ressources informatiques «as a service» François Goldgewicht Consultant, directeur technique CCT CNES 18 mars 2010 Avant-propos Le Cloud Computing,

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Dimensionnement et contrôle d un véhicule hybride électrique basé sur une pile à combustible

Dimensionnement et contrôle d un véhicule hybride électrique basé sur une pile à combustible Électrotechnique du Futur 14&15 décembre 2011, Belfort Dimensionnement et contrôle d un véhicule hybride électrique basé sur une pile à combustible Alexandre RAVEY, Benjamin BLUNIER, Abdellatif MIRAOUI

Plus en détail

Les 6èmes Journées Francophones sur les Réseaux Bayésiens

Les 6èmes Journées Francophones sur les Réseaux Bayésiens Les 6èmes Journées Francophones sur les Réseaux Bayésiens 11 13 Mai 2012, Îles de Kerkennah, Tunisie Vers des Réseaux Bayésiens pour la Classification des Causes de Défaillances PRÉSENTÉ PAR: MOHAMMED

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

Semestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016

Semestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016 Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation

Plus en détail

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude et variabilité : la nécessité de les intégrer dans les modèles Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre

Plus en détail

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation

Plus en détail

Optimisation for Cloud Computing and Big Data

Optimisation for Cloud Computing and Big Data 1 / 31 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 31 Le Cloud, qu est-ce que c est? C est récent Amazon qui commence (2006) avec AWS Dropbox, Google App Engine

Plus en détail

Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)

Surveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!

Plus en détail

Caroline PONZONI CARVALHO CHANEL le vendredi 12 avril 2013

Caroline PONZONI CARVALHO CHANEL le vendredi 12 avril 2013 Institut Supérieur de l Aéronautique et de l Espace(ISAE) Caroline PONZONI CARVALHO CHANEL le vendredi 12 avril 2013 Planification de perception et de mission en environnement incertain: Application à

Plus en détail

L informatique à l IN2P3 et le rôle du Chargé de Mission

L informatique à l IN2P3 et le rôle du Chargé de Mission L informatique à l IN2P3 et le rôle du Chargé de Mission Giovanni Lamanna Réunion du comité des DUs 29 avril 2013 Plan - Présentation du Charge de Mission pour l Informatique - Lettre de mission: défis

Plus en détail

Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy

Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy Séminaire Aristote, 17 Déc. 2009 Ecole Polytechnique Palaiseau Plan L'univers du cloud Ressources Grilles, middleware

Plus en détail

Images & Open Science en bref A. Trubuil INRA/MaIAGE, Jouy en Josas

Images & Open Science en bref A. Trubuil INRA/MaIAGE, Jouy en Josas Images & Open Science en bref A. Trubuil INRA/MaIAGE, Jouy en Josas 1. Ressources ouvertes Données Logiciels Connaissances 2. Besoins Données Logiciels Connaissances Défis 3. Exemple 1. Ressources ouvertes

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

StratusLab : Le projet et sa distribution cloud

StratusLab : Le projet et sa distribution cloud StratusLab : Le projet et sa distribution cloud M. Airaj C. Loomis (CNRS/LAL) Université Lille I 17 Mai 2010 StratusLab is co-funded by the European Community s Seventh Framework Programme (Capacities)

Plus en détail

Modélisation du comportement habituel de la personne en smarthome

Modélisation du comportement habituel de la personne en smarthome Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai

Plus en détail

optimisation robuste de réseaux de télécommunications

optimisation robuste de réseaux de télécommunications optimisation robuste de réseaux de télécommunications Orange Labs Laboratoire Heudiasyc, UMR CNRS 6599, Université de Technologie de Compiègne Olivier Klopfenstein thèse effectuée sous la direction de

Plus en détail

E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement.

E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement. E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement. N.Bard, S.Boin, F.Bothorel, P.Collinet, M.Daydé, B. Depardon, F. Desprez, M.Flé, A.Franc, J.-F. Gibrat, D.

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

FOURNIR UN SERVICE INFRASTRUCTURE FLEXIBLE. Infrastructure as a Service (IaaS)

FOURNIR UN SERVICE INFRASTRUCTURE FLEXIBLE. Infrastructure as a Service (IaaS) FOURNIR UN SERVICE INFRASTRUCTURE FLEXIBLE Infrastructure as a Service (IaaS) 1 The following is intended to outline our general product direction. It is intended for information purposes only, and may

Plus en détail

Apprentissage artificiel pour l ordonnancement des tâches dans les grilles de calcul

Apprentissage artificiel pour l ordonnancement des tâches dans les grilles de calcul Université Paris-Sud Apprentissage artificiel pour l ordonnancement des tâches dans les grilles de calcul Thèse de doctorat en vue de l obtention du grade de docteur de l université Paris XI Spécialité

Plus en détail

Corrigé du baccalauréat ES Antilles Guyane 24 juin 2015

Corrigé du baccalauréat ES Antilles Guyane 24 juin 2015 Corrigé du baccalauréat ES Antilles Guyane 2 juin 2015 EXERCICE 1 Commun à tous les candidats Aucune justification n était demandée dans cet exercice. 1. La fonction f définie sur R par f (x)= x 3 + 6x

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord EXERCICE 1 : 5 points On se place dans l espace muni d un repère orthonormé. On considère les points,, et. 1. Démontrer que les points,

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

TP N 57. Déploiement et renouvellement d une constellation de satellites

TP N 57. Déploiement et renouvellement d une constellation de satellites TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les

Plus en détail

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Expérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter

Expérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter Expérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter Gilles HANUSSE Responsable services Monitor & Operate Sanofi Global Infrastructure Services

Plus en détail

Playbook du programme pour fournisseurs de services 2e semestre 2014

Playbook du programme pour fournisseurs de services 2e semestre 2014 Playbook du programme pour fournisseurs de services 2e semestre 2014 Sommaire 3 Bienvenue dans le programme VSPP (VMware Service Provider Program) 4 Présentation de VMware vcloud Air Network 5 VMware vcloud

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

Optimisation de la géométrie du voisinage pour la segmentation d images texturées

Optimisation de la géométrie du voisinage pour la segmentation d images texturées Optimisation de la géométrie du voisinage pour la segmentation d images texturées Pierre Beauseroy & André Smolarz Institut des Sciences et Technologies de l Information de Troyes (FRE 73) Université de

Plus en détail

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes CNES Paris - 22/05/2003 Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes Michel DHOME LASMEA UMR 6602CNRS/UBP Clermont-Ferrand Etat de l art (communauté vision artificielle)

Plus en détail

Séminaire Sûreté de Fonctionnement - LIX Franck MARLE Novembre 2012

Séminaire Sûreté de Fonctionnement - LIX Franck MARLE Novembre 2012 Séminaire Sûreté de Fonctionnement - LIX Franck MARLE Novembre 2012 1 2 Problématique posée par la complexité Application du processus MAD au projet Tramway 3 Modélisation 4 Analyse 5 Décision 2 Complexité

Plus en détail

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1 SysCom - CReSTIC Université de Reims 17/02/2011 1 Motivation Gestion des expérimentations Avec les workflows Simulation Simulation des Systèmes Distribués ANR USS SimGrid Campagne de Test et gestion de

Plus en détail

Objectifs. Maîtriser. Pratiquer

Objectifs. Maîtriser. Pratiquer 1 Bases de Données Objectifs Maîtriser les concepts d un SGBD relationnel Les modèles de représentations de données Les modèles de représentations de données La conception d une base de données Pratiquer

Plus en détail

Ada Diaconescu INFRES / S3. Appellation de Maître de Conférences. Mars 2010. ada.diaconescu@telecom-paristech.fr 01/03/2010

Ada Diaconescu INFRES / S3. Appellation de Maître de Conférences. Mars 2010. ada.diaconescu@telecom-paristech.fr 01/03/2010 Ada Diaconescu INFRES / S3 Appellation de Maître de Conférences Mars 2010 Parcours Études - Université Polytechnique Timisoara (1995-2000 ) Diplôme d Ingénieur en Informatique (BAC+5) Ingénieur R&D à Teltec,

Plus en détail

Logiciels pour l analyse d incertitude et l analyse de sensibilité. David Makowski, Hervé Monod, Hervé Richard

Logiciels pour l analyse d incertitude et l analyse de sensibilité. David Makowski, Hervé Monod, Hervé Richard Logiciels pour l analyse d incertitude et l analyse de sensibilité David Makowski, Hervé Monod, Hervé Richard PLAN Exemple sous tableur : Crystal Ball Panorama des logiciels disponibles Modules de tableurs

Plus en détail

Sim Pratique et Théorie des Couplages pour la sécurité de l information et des communications

Sim Pratique et Théorie des Couplages pour la sécurité de l information et des communications Sim Pratique et Théorie des Couplages pour la sécurité de l information et des communications Nadia El Mrabet LIASD Université Paris VIII Crypto Puce 2013 Porquerolles Jeudi 30 mai 2013 1 / 15 Courbes

Plus en détail

NETWORKER 9 : UNE SOLUTION ORIENTEE BACKUP AS A SERVICE JEUDI 19 NOVEMBRE 2015. Nicolas GROH : Global Solution Architect

NETWORKER 9 : UNE SOLUTION ORIENTEE BACKUP AS A SERVICE JEUDI 19 NOVEMBRE 2015. Nicolas GROH : Global Solution Architect NETWORKER 9 : UNE SOLUTION ORIENTEE BACKUP AS A SERVICE JEUDI 19 NOVEMBRE 2015 Nicolas GROH : Global Solution Architect Les principales nouveautés La protection de la données réinventée Nouvelle politiques

Plus en détail

INF 721 Mesures et indicateurs du génie logiciel Trimestre Été 2015 Professeur. Évariste Valéry BÉVO WANDJI

INF 721 Mesures et indicateurs du génie logiciel Trimestre Été 2015 Professeur. Évariste Valéry BÉVO WANDJI UNIVERSITÉ DE SHERBROOKE FACULTÉ DES SCIENCES CENTRE DE FORMATION EN TECHNOLOGIES DE L INFORMATION PLAN DE COURS Cours INF 721 Mesures et indicateurs du génie logiciel Trimestre Été 2015 Professeur Évariste

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

Plus en détail

Programme de l enseignement obligatoire commun de mathématiques Cycle terminal de la série sciences et technologies du management et de la gestion

Programme de l enseignement obligatoire commun de mathématiques Cycle terminal de la série sciences et technologies du management et de la gestion Programme de l enseignement obligatoire commun de mathématiques Cycle terminal de la série sciences et technologies du management et de la gestion L enseignement des mathématiques au collège et au lycée

Plus en détail

Tendances Logicielles 25 Mars 2008

Tendances Logicielles 25 Mars 2008 Virtualisation Optimiser les opérations autour des applications Web Hervé Grange IMT France Northwest Africa WebSphere tech sales Les besoins à couvrir Optimisation des coûts par la consolidation des serveurs

Plus en détail

L Informatique aujourd hui : Nouveaux défis scientifiques et réflexions sur la recherche

L Informatique aujourd hui : Nouveaux défis scientifiques et réflexions sur la recherche L Informatique aujourd hui : Nouveaux défis scientifiques et réflexions sur la recherche Joseph Sifakis Directeur de Recherche CNRS Laboratoire VERIMAG Paris, 23 juin 2008 L évolution de l Informatique

Plus en détail

Introduction générale au codage de canal

Introduction générale au codage de canal Codage de canal et turbo-codes 15/9/2 1/7 Introduction générale au codage de canal Table des matières Table des matières... 1 Table des figures... 1 1. Introduction... 2 2. Notion de message numérique...

Plus en détail

CONTRAT D ETUDES - LEARNING AGREEMENT

CONTRAT D ETUDES - LEARNING AGREEMENT CONTRAT D ETUDES - LEARNING AGREEMENT Règles générales La présence aux séances d enseignement des modules choisis est obligatoire. Chaque module comporte des séances de travail encadrées et non encadrées

Plus en détail

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences

Plus en détail